CN106204108B - 广告反作弊方法及广告反作弊装置 - Google Patents

Abstract

本发明公开了一种广告反作弊方法及广告反作弊装置；方法包括：根据各流量所投放的广告，获取产生广告行为的广告所对应的传播关系链数据；基于产生广告行为的广告所对应的传播关系链数据，确定各流量的发送用户与接收用户；基于各流量的发送用户与接收用户对应形成相应流量的传播关系链；基于传播关系链中用户针对相应流量上投放的广告所实施的广告行为，确定传播关系链中用户的广告行为指标；比较传播关系链中用户的广告行为指标与相应的作弊行为指标，确定传播关系链中的作弊用户。实施本发明，能够准确识别互联网中进行广告作弊的作弊用户。

Description

广告反作弊方法及广告反作弊装置

技术领域

本发明涉及通信领域的互联网广告技术，尤其涉及一种广告反作弊方法及广告反作弊装置。

背景技术

目前，广告主存在向用户推送广告以对产品或服务进行宣传的需求，伴随互联网用户尤其是移动互联网用户的快速增长，互联网广告成为广告投放的新的形式，互联网广告的投放量也呈现快速增长的趋势。

在互联网广告的生态系统中，流量主基于用户提供各种形式的基于互联网的服务(如提供新闻、媒体播放、在线游戏等各种形式)，在用户使用服务的过程中广告系统向用户使用的服务中(如用户使用的应用，或用户访问的网页)投放广告，如果用户点击广告则使广告的点击量增加，可见流量主基于自身所拥有的广告资源(如应用中的广告、网页中的广告位等)对广告的点击量进行消耗。

但是，某些流量主为了提高用户在拥有的广告资源上投放的广告的点击量等广告行为标识，以获取更多的广告收入，会采用作弊的方式对流量上投放的广告进行恶意操作，以提升曝光量、点击量或转化率等广告行为指标，对于准确识别作弊用户，从而能够对作弊用户的，相关技术尚无有效解决方案。

发明内容

本发明实施例提供一种广告反作弊方法及广告反作弊装置，能够准确识别互联网中进行广告作弊的作弊用户。

本发明实施例的技术方案是这样实现的：

第一方面，本发明实施例提供一种广告反作弊方法，所述方法包括：

根据各流量所投放的广告，获取产生广告行为的广告所对应的传播关系链数据；

基于所述产生广告行为的广告所对应的传播关系链数据，确定各所述流量的发送用户与接收用户；

基于各所述流量的所述发送用户与所述接收用户对应形成相应流量的传播关系链，所述接收用户为个体用户和用户群至少之一；

基于所述传播关系链中用户针对相应流量上投放的广告所实施的所述广告行为，确定所述传播关系链中用户的广告行为指标；

比较所述传播关系链中用户的广告行为指标与相应的作弊行为指标，确定所述传播关系链中的作弊用户。

第二方面，本发明实施例提供一种广告反作弊装置，所述装置包括：

获取单元，用于根据各流量所投放的广告，获取产生广告行为的广告所对应的传播关系链数据；

关系单元，用于基于所述产生广告行为的广告所对应的传播关系链数据，确定各所述流量的发送用户与接收用户，基于各所述流量的所述发送用户与所述接收用户对应形成相应流量的传播关系链，所述接收用户为个体用户和用户群至少之一；

指标单元，用于基于所述传播关系链中用户针对相应流量上投放的广告所实施的所述广告行为，确定所述传播关系链中用户的广告行为指标；

比较单元，用于比较所述传播关系链中用户的广告行为指标与相应的作弊行为指标，确定所述传播关系链中的作弊用户。

本发明实施例中，基于用户对流量中信息的发送用户与接收用户确定对不同流量中信息进行发送而形成的传播关系链，并基于传播关系链中用户的广告行为指标识别作弊用户，鉴于作弊用户具有群体性作弊的特点，因此能够从传播关系链中准确识别出作弊用户，识别效率高。

附图说明

图1为本发明实施例中广告反作弊装置的一个可选的架构示意图；

图2-1为本发明实施例中广告反作弊方法的一个可选的流程示意图；

图2-2为本发明实施例中广告反作弊方法的一个可选的流程示意图；

图3-1为本发明实施例中用户转发公众号文章的一个可选的示意图；

图3-2为本发明实施例中用户发送传播关系链数据的一个可选的示意图；

图3-3为本发明实施例中用户接收的公众号文章中曝光广告的一个可选的示意图；

图3-4为本发明实施例中作弊用户识别的一个可选的示意图；

图4为本发明实施例中广告反作弊装置的一个可选的功能架构示意图；

图5为本发明实施例中广告反作弊装置的一个可选的硬件结构示意图。

具体实施方式

以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本发明，并不用于限定本发明。另外，以下所提供的实施例是用于实施本发明的部分实施例，而非提供实施本发明的全部实施例，在本领域技术人员不付出创造性劳动的前提下，对以下实施例的技术方案进行重组所得的实施例、以及基于对发明所实施的其他实施例均属于本发明的保护范围。

需要说明的是，在本发明实施例中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其他要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元)。

本发明实施例中涉及的名词和术语适用于如下的解释。

广告主：具有广告投放需求并为广告投放支付相应费用的一方，广告主希望自己每次付费的广告点击都是真实用户的有效点击，而非作弊点击。

广告曝光：广告在用户侧的广告位(如用户访问的页面中的广告位、用户使用的应用中的广告位)展示，广告在用户侧展示一次称为一次广告曝光。

广告点击：用户在用户侧设备(如智能手机、平板电脑等终端设备)通过点击广告而访问广告主的页面，用户点击一次广告而访问广告主的页面，称为广告点击。

广告效果：广告在被曝光后，用户实施广告点击从而实现访问广告主的网页、在广告主的网页注册、下单购买商品或下载应用等广告主期限通过广告投放所实现的效果，称为广告效果。

转化率，曝光的广告中产生实际广告效果(如用户点击广告，并在广告主网页注册账户、下载应用等)的数量与曝光的广告的数量的比值。

点击率：广告点击量与广告曝光次数的比值。

每千人成本(CPM，Cost Per Thousand)计费方式，按照广告在流量上的广告曝光次数统计费用。

按次点击(CPC，Cost Per Click)计费方式，广告主仅为用户点击广告的行为付费，而不再为广告的曝光付费。对广告主来说CPC广告避免了只曝光不点击的风险。

每行动成本(CPA，Cost Per Action)计费方式，是指按广告投放实际效果的次数进行计费，也就是仅针对广告的曝光量中产生实际广告效果的点击量量进行计费。

广告作弊：在广告曝光、点击、效果等环节，用户出于某种恶意的目的，存在可以提升广告曝光量、广告点击量、广告点击率、转化率等指标的行为，这种作弊用户的恶意的行为称为广告作弊。

广告反作弊：对广告曝光、点击和效果等环节进行检查，判断广告曝光、广告点击、广告效果等是由于用户侧的正常访问触发，还是由于作弊用户通过广告作弊手段实现。

流量：也称为访问流量，用于产生访问网络的数据流量的载体，如网络应用、社交网络中的公众号等。

流量主：流量主即能够提供流量的一方，通常指应用发布者、网站主等。以在微信社交平台为例，流量主可以为被关注的公众号的发布者。流量主可以参与广告投放费用的利润分成。以CPC为例，在相同广告曝光量下，广告主的访问流量上投放的广告的曝光量相同时，广告的点击率越高，流量主分到的广告投放费用的利润分成也越高，因而流量主有较强的作弊动机来提升广告的点击率。

作弊用户：受雇于网络公司通过点击广告、下载应用或发帖回帖等手段达到盈利或营造舆论等目的的网络人员。作弊用户可能是自然人，也可能是伪装用户的作弊程序。

在互联网广告的生态系统中，部分流量主为了获取更高的点击率和收入，会短期或长期自己或雇佣水军或诱导用户来点击自己流量上投放的广告。广告反作弊系统需要识别出作弊用户并对作弊用户针对广告的点击量等广告行为指标进行过滤。

相关技术提供的广告反作弊系统能够识别比较明显的作弊用的广告作弊行为，但随着作弊用户的作弊手段的变化和深入，一些隐藏更深的作弊用户难以识别。

针对这种情况，本发明实施例提供一种广告反作弊方法、以及广告反作弊方法的广告反作弊装置，广告反作弊装置可以采用各种方式来实施，以下对广告反作弊装置的实施方式进行说明。

参见图1示出的广告反作弊装置的一个可选的架构示意图，广告反作弊装置实施为广告系统和广告反作弊系统(实际应用中，广告系统和广告反作弊系统可以服务器或服务器集群的形式实现，可选地，以云服务的形式提供广告反作弊业务)，广告反作弊系统与广告系统连接。下面首先对广告系统20和广告反作弊系统10进行说明。

广告系统20的投放端根据广告主设定的投放广告的定向条件(如广告受众的年龄、地域、群体、消费能力等信息)，在符合定向条件的用户(广告受众)访问的流量上投放广告，从而使得投放的广告在用户侧的广告位实现曝光。例如，若用户访问流量31，如访问流量31的用户符合定向条件，则广告系统20的投放端向用户访问的流量31投放广告，如果用户此时正在查看流量31中的信息，则会使流量31中投放的广告得到曝光。

继续对广告系统20进行说明，广告系统20根据用户侧的广告的行为(如曝光、点击、链接至广告主网页查看、在广告主网页注册账号、在广告主网页下载应用等)情况，为广告主生成投放广告的计费数据。以CPC计费方式为例，广告系统20的计费端根据广告受众侧针对曝光广告的点击量以及预定的单位点击费用生成计费数据。

广告反作弊系统10确定各用户之间发送流量上的信息而形成的传播关系链，并从传播关系链中识别出作弊用户。

广告系统20的计费端对作弊用户的点击量、曝光量、点击率和转化率等广告行为指标进行过滤。

以下对广告系统向用户访问的流量投放广告、以及广告反作弊系统确定流量中信息在用户之间传播形成的传播关系链，并从传播关系链中识别出作弊用户的反作弊处理过程进行说明。

参见图2-1示出的广告反作弊方法的一个可选的流程示意图，包括以下步骤：

步骤101，广告系统在用户访问流量主的流量上投放广告。

作为一个示例，参见图1，用户基于用户侧的设备如智能手机、平板电脑等访问流量31和流量32，其中流量31和流量32是不同流量主提供的流量，示例性地，流量31可以为社交网络的公众号，流量32可以任意类型的网站。

用户侧的设备中运行有访问流量的客户端如社交应用等，客户端通过广告系统提供的软件开发套件向广告系统发送用户侧的信息如用户的个人信息(年龄、性别、地域等)、用户侧设备的硬件信息，广告系统基于用户侧设备的客户端发送的信息确定符合定向条件的广告，将广告投放到用户侧设备访问的流量上，用户通过用户侧设备查看流量上的信息时实现广告在用户侧的曝光。

步骤102，用户转发流量上的信息。

作为一个示例，用户通过用户侧设备(示例性地，用户侧设备运行有客户端如社交应用、浏览器)访问流量主的流量(如社交公众号、网站等)时，用户侧设备的广告位会呈现广告系统的投放端在相应流量上投放的广告。

在一个常见的应用场景中，用户将所访问流量上的信息(如公众号中的文章或网站中的文章等)向社交网络中的其他用户(如具有社交关系的好友)或用户群体(如朋友圈、会话群等)发送。当然，也可以通过短信和彩信等形式向联系人用户进行发送。

示例性地，发送用户可以将流量中信息以社交网络中的个体用户为单位或者以社交网络中的用户群为单位进行发送，从而，流量中信息的发送用户与接收用户形成了针对流量中信息的传播关系链，对于流量中信息的接收用户来讲可以将接收的流量中信息再次进行发送，从而形成多级的传播关系链。

作为一个示例，以用户为微信社交平台中的用户为例，参见图3-1示出的用户转发公众号文章的一个可选的示意图，在图3-1中，用户U1、U2、U3和U4是微信社交网络中的个体的用户，群Q1和Q2是社交网络中的用户群。

用户U1转发公众号1中的文章1至用户U2、用户群Q2、用户U3以及用户U4；用户U2将所接收的文章1转发至用户群Q1、用户群Q2，用户U5将公众号2中的文章2转发至用户U3，对于任意用户所接收到的公众号文章，用户在查看公众号文章的同时可以针对广告系统在公众号投放的广告实施广告行为，如点击广告、或实施产生广告效果如在广告主网页注册、下载应用等广告行为。

步骤103，用户向广告反作弊系统发送产生广告行为的广告对应的传播关系链数据。

在一个实施例中，接续对前述流量中信息的传播进行说明，在用户侧设备接收到流量中信息时，在呈现信息的界面中还存在供曝光在相应流量投放的广告的广告位，如果在相应流量投放的广告在用户侧设备产生特定的广告行为，例如产生广告曝光、广告点击或注册、下载等产生广告效果的行为，用户侧设备向广告反作弊系统发送产生广告行为的广告所对应的传播关系链数据。

示例性地，产生广告行为的广告所对应的传播关系链数据包括以下至少之一：接收用户(也就是接收到流量中信息)的标识、发送用户(发送流量信息的用户)的标识、流量中的信息的标识、流量的标识(也可以视为流量主的标识)、产生特定广告行为的广告的标识。当然，传播关系链数据不仅限于于此，例如，还可以包括产生特定广告行为的时间、接收用户侧的设备信息(如硬件信息和软件信息)等。

再以流量中的信息为公众号文章、用户实施的行为为点击曝光的广告为例，相应的传播关系链数据包括：发送用户的序列号(ID)、接收用户(也就是当前用户)的序列号、公众号的序列号(对应流量的标识，也可视为流量主的标识)、公众号文章的序列号(对应流量中信息的标识)和用户所点击的广告的序列号。

以下，结合图3-2、以及特定行为是广告曝光、广告点击和产生广告效果行为中的任意一种，对广告反作弊系统获取各用户的传播关系链进行说明。

1)参见图3-3，用户U2接收到U1转发的公众号文章32，且当用户U2在接收的文章的广告位中点击广告31时，用户U2侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U1，公众号ID，文章ID，广告ID，当前用户U2}。

2)群Q1中的用户U6会收到U1转发的公众号文章，且当群Q1中的用户U6在接收的文章的广告位中实施产生广告效果的行为时，群Q1中用户U6侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U1，公众号ID，文章ID，广告ID，当前用户U6}。

群Q1中的用户U6会收到U2转发的公众号文章，且当群Q1中的用户U6在接收的文章的广告位中实施产生广告效果的行为时，群Q1中用户U6侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U2，公众号ID，文章ID，广告ID，当前用户U6}。

3)设群Q2中的用户U7会收到U1转发的公众号文章，且当群Q2中的用户U7在接收的文章的广告位中实施产生广告效果的行为时，群Q2中用户U7侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U1，公众号ID，文章ID，广告ID，当前用户U7}。

群Q2中的用户U7还可能会收到群1中的任一用户(这里，以用户U6为例)转发的公众号文章，且当群Q2中的用户U7在接收的文章的广告位中实施点击行为时，群Q2中用户U7侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U6，公众号ID，文章ID，广告ID，当前用户U7}。

4)用户U3接收到U1转发的公众号文章，且当用户U3在接收的文章的广告位中点击广告时，用户U3侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U1，公众号ID，文章ID，广告ID，当前用户U3}。

5)用户U4接收到用户U1转发的公众号文章，且当用户U4在接收的文章的广告位中点击广告时，用户U4侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U1，公众号ID，文章ID，广告ID，当前用户U4}。

用户U4还可能会接收到用户U5转发的公众号文章，且当用户U4在接收的文章的广告位中点击广告时，用户U4侧的设备向广告反作弊系统的数据库发送传播关系链数据，包括{文章发送者U5，公众号ID，文章ID，广告ID，当前用户U4}。

步骤104，广告反作弊系统基于所获取的各用户的传播关系链数据确定各流量中信息的发送用户与接收用户，对应形成各流量中信息的传播关系链。

在一个实施例中，从各用户产生广告行为的广告对应的传播关系链数据中提取具有相同流量标识以及流量信息标识的传播关系链数据；从所提取的传播关系链数据中提取邻接的发送用户标识以及接收用户标识形成相应流量中信息的传播关系链。

仍以图3-2为例，这里，假设图3-2中各用户在查看公众号文章中对于公众号文章投放的广告中产生广告行为的广告的传播关系链数据如下所示：

用户U2传播关系链数据1：{文章发送者U1，公众号1，文章1，广告ID，当前用户U2}。

Q1中用户U6传播关系链数据2：{文章发送者U2，公众号1，文章1，广告ID，当前用户U6}。

Q1中用户U6传播关系链数据3：{文章发送者U1，公众号1，文章1，广告ID，当前用户U6}。

Q1中用户U7传播关系链数据4：{文章发送者U2，公众号2，文章2，广告ID，当前用户U7}。

Q1中用户U7传播关系链数据5：{文章发送者U2，公众号1，文章1，广告ID，当前用户U7}。

用户U3传播关系链数据6：{文章发送者U1，公众号3，文章3，广告ID，当前用户U3}。

用户U4传播关系链数据7：{文章发送者U1，公众号4，文章4，广告ID，当前用户U4}。

用户U4传播关系链数据8：{文章发送者U5，公众号5，文章5，广告ID，当前用户U4}。

对于上述传播关系链数据，首先从传播关系链数据中提取具有相同公众号序列号以及文章序列号的传播关系链数据，再从所提取的传播关系链数据中提取邻接的发送用户标识以及接收用户标识形成相应流量中信息的传播关系链。例如提取出具有“公众号1，文章1”的传播关系链数据1、2和3，可以形成对应公众号1，文章1的如下传播关系链：用户U1->用户U2->Q1；用户U1->用户U2->Q2。同理，可以确定对应公众号2，文章2的传播关系链用户U1->Q2；对应公众号3，文章3的传播关系链用户U1->用户U2；对应公众号5，文章5的传播关系链用户U5->用户U4。

步骤105，广告反作弊系统基于传播关系链中用户针对相应流量上投放的广告所实施的广告行为，确定传播关系链中用户的广告行为指标。

步骤106，广告反作弊系统比较传播关系链的广告行为指标与相应的作弊行为指标，确定传播关系链中的作弊用户。

在一个实施例中，参见图3-1示出的传播关系链的一个可选的示意图，假设图3-1示出的用户全部为作弊用户，则本发明实施例提供的广告反作弊系统从传播关系链中以至少三种维度识别作弊用户，包括识别出广告作弊任务发送用户、作弊用户群以及广告作弊传播关系链(也就是全部用户或预定比例的用户为广告作弊用户)。其中，上述三种不同的维度也可以视为三种识别作弊用户的粒度，其中，识别作弊用户传播关系链的粒度>识别作弊用户群的粒度>识别作弊任务发送用户的粒度。

下面对识别上述三种维度的作弊用户进行说明。

维度1)广告作弊任务发送用户

为了提升流量上投放的广告的点击率，广告作弊任务发送用户将流量上的信息转发到其他用户，以提升点击量为例，广告作弊认为发起以用户为单位转发到个体的用户或者以用户群为单位转发流量中的信息，接收用户对流量上投放的广告以提升广告行为指标。

如图3-1示出的用户U1、用户U2均将公众号文章向其他用户进行了转发，且接收的公众号文章的用户在公众号投放的广告中实施了广告行为，如查看公众号文章使广告曝光、点击曝光的广告、以及产生广告效果的行为，从而能够影响广告系统的计费端统计的公众号所消耗的曝光量、点击量、广告效果数据等广告行为指标。

维度2)广告作弊用户群

广告作弊用户群中的用户为作弊用户，例如图3-1中示出的群Q1和Q2，Q1中的用户对U1和U2转发的公众号文章中的广告实施广告行为，从而恶意提升公众号的曝光量、点击量、广告效果数据等。同理，Q2中的用户对U2转发的公众号文章中的广告实施广告行为，从而恶意提升公众号的曝光量、点击量、广告效果数据等。

维度3)广告作弊传播关系链

广告作弊关系链由作弊的个体用户组成，例如图3-1中示出的广告作弊关系链U1->U3、以及广告作弊关系链U1->U4。当然，广告作弊关系链可以由作弊的个体用户和作弊用户群共同组成，例如图3-1中示出的广告作弊关系链U1->U2->Q1以及U1->Q2。

以下结合步骤105和步骤106对识别上述三个维度的作弊用户进行说明。

第一、识别作弊任务发送用户

广告作弊任务通常是将待作弊流量中的信息如公众号文章转发至其他用户(如作弊的个体用户或作弊的用户群)，接收用户接收到转发来的流量中的信息时，对待作弊流量上投放的广告实施广告行为，因此，对于待识别的用户，从用户因转发流量中信息而导致的直接或间接来源于用户的广告行为的角度，统计相应的广告行为指标。

作为前述步骤105的一个示例，广告反作弊系统确定各流量的传播关系链中的发送用户针对相应流量上投放广告的实施的广告行为、以及发送用户对应的接收用户(包括接收到发送用户转发的相应流量中的信息直接接收用户和间接接收用户)针对相应流量上投放的广告所实施的广告行为，如使广告曝光的行为、点击广告的行为以及在广告主网页注册、下载等产生广告效果的行为。其中，发送用户对应的接收用户针对相应流量上投放的广告所实施的广告行为视为来源于发送用户的广告行为。

广告反作弊系统结合发送用户针对相应流量上投放的广告所实施的广告行为、以及接收用户针对相应流量上投放的广告所实施的广告行为确定来源于发送用户针对相应流量的广告行为指标，例如，来源于发送用户的曝光量、点击量、点击率、转化率等。

以前述针对公众号1，文章1的如下传播关系链为例：用户U1->用户U2->Q1；其中用户U1以及用户U2均转发了公众号1中文章1，那么用户U1以及用户U2在该传播关系链中为发送用户。

对于公众号1，文章1来讲：

1)来源于用户U1的广告行为包括：用户U1在公众号1，文章1上投放的广告所实施的广告行为、以及U2和用户群Q1中的用户在公众号1，文章1上投放的广告的所实施的广告行为；

2)来源于用户U2的广告行为包括：用户U2在公众号1，文章1上投放的广告的所实施的广告行为、以及用户群Q1中的用户在公众号1，文章1上投放的广告的所实施的广告行为。

以广告行为指标为点击率为例，来源于用户U1以及用户U2的点击率可以参考以下公式计算得到：

R_{sender_id,appid}＝clk_cnt_{sender_id,appid}/exp_cnt_{sender_id,appid} (1)

其中，clk_cnt_qunid,appid表示发送用户sender_id转发流量appid中的信息给接收用户时，广告系统在流量appid投放的广告因发送用户以及接收用户的点击而形成的点击量，exp_cnt_{sender_id,appid}表示流量appid上的广告来源于发送用户sender_id的曝光量。

以广告行为指标为在广告主页面注册账户的转化率为例，来源于用户U1以及用户U2的转化率可以参考以下公式计算得到：

Z_{sender_id,appid}＝tra_cnt_{sender_id,appid}/clk_cnt_{sender_id,appid} (2)

其中，clk_cnt_{sender_id,appid}表示发送用户sender_id转发流量appid中的信息给接收用户时，广告系统在流量appid投放的广告因发送用户以及接收用户的点击而形成的点击量，tra_cnt_{sender_id,appid}表示发送用户以及接收用户的点击量中产生在广告主页面注册账户的点击量。

另外，当发送用户将多个流量中的信息转发至接收用户时，相应地，还可以比较来源于发送用户的多个流量的曝光量、点击量、点击率和转化率等指标，确定来源于发送用户的广告行为集中在哪些流量上所投放的广告，例如采用集中程度这个指标表示来源于发送用户的广告行为在不同流量上投放广告的集中程度。

示例性地，来源于发送用户的广告行为在某一流量上投放广告的集中程度，可以采用来源于发送用户在该流量上的广告行为指标(如曝光量、点击量、转换为广告效果的点击量)与发送用户在所有流量上投放广告的广告行为指标的比值实现。

以广告行为指标为点击量为例，假设传播关系链中的发送用户sender_id转发N(为大于1的整数)个流量中的信息至传播关系链中的接收用户，那么来源于发送用户U1以及用户U2的广告行为在流量appn(1≤n≤N)上的集中程度可以采用以下公式计算得到：

发送用户sender_id的点击量在流量appn上的集中程度为：

其中，clk_cnt_{sender_id,appn}表示发送用户sender_id转发流量appn中的信息给接收用户时，广告系统在流量appn投放的广告因发送用户以及接收用户的点击而形成的点击量，表示发送用户sender_id转发N个流量中的信息给接收用户时，广告系统在N个流量投放的广告因发送用户以及接收用户的点击而形成的点击量的加和。

作为前述步骤106的一个示例，将来源于发送用户针对各流量的一个或多个广告行为指标(如曝光量、点击量、点击率、转化率、以及来源于发送用户的广告行为在不同流量上的集中程度)，与相应的发送用户作弊行为指标比较，若超出相应的发送用户作弊行为指标则确定发送用户为作弊任务发送用户。

例如，在图3-1中，若用户U1为作弊任务发送用户，由于传播关系链中的用户U2以及群Q1中的用户会进行广告作弊行为，导致来源与用户U1的点击量、点击率、集中程度等广告行为指标会明显偏离正常广告行为指标范围，从而可以识别出用户U1为广告作弊任务发送用户。

需要指出的是，实际应用中前述的广告行为作弊指标可以对已知广告作弊用户的广告行为数据进行机器学习的方法(如采用神经网络学习模型)得到，或者，采用大数据挖掘的方式从海量的作弊用户行为数据中挖掘出出广告作弊行为指标。

第二、识别作弊用户群

广告作弊任务将各流量的传播关系链中的用户以用户群为单位进行作弊用户识别，以下，对一个流量的传播关系链中的各用户群进行作弊用户识别为例进行说明，对于广告反作弊系统确定有对应多个流量的传播关系链时，对各流量的传播关系链中的用户以用户群为单位进行作弊用户识别可以参考下述的记载而实施。

作为前述步骤105的一个示例，对于前述所确定的因访问同一流量而形成的传播关系链，广告反作弊系统基于传播关系链中各用户群的用户针对相应流量上投放的广告所实施的广告行为(例如使广告曝光的行为、点击广告的行为以及在广告主网页注册、下载等产生广告效果的行为)，确定各用户群针对相应流量的整体广告行为指标，如用户群中的用户使流量中投放广告的曝光量、点击量、点击率以及转化率等。

以前述针对公众号1，文章1的如下传播关系链为例：用户U1->用户U2->Q1；对于群Q1，公众号1，文章1来讲：

1)群Q1的曝光量为群Q1中各用户在查看公众号1的文章1时所产生的广告曝光次数的加和。

2)群Q1的点击量为群Q1中各用户在公众号1的文章1中点击广告次数的加和。

3)群Q1的点击率为群Q1中各用户在公众号1的文章1中点击广告次数的加和，与群Q1中各用户在查看公众号1的文章1时所产生的广告曝光次数的加和的比值，如下所示：

R_qunid,appid＝clk_cnt_qunid,appid/exp_cnt_qunid,appid (4)

其中，clk_cnt_qunid,appid表示群qunid对流量appid上所投放的广告的点击量，exp_cnt_qunid,appid表示群qunid使流量appid上所投放的广告产生的曝光量。

4)群Q1的转化率为群Q1中各用户在公众号1的文章1中点击广告并产生广告效果(如在广告主网页注册账号，在广告主网页下载应用等)的次数，与群Q1中用户在公众号1的文章1中点击广告次数的加和的比值。

Z_qunid,appid＝tra_cnt_qunid,appid/clk_cnt_qunid,appid (5)

其中，clk_cnt_{sender_id,appid}表示用户群qunid访问流量appid中的信息时，对广告系统在流量appid上投放的广告点击而形成的点击量，tra_cnt_qunid,appid表示用户群qunid针对流量appid投放广告的点击量中具有在广告主页面注册账户等广告效果的点击量。

另外，当用户群访问多个流量中的信息时，相应地，还可以比较用户群对所访问多个流量上投放广告的广告行为指标，得到用户群实施的广告行为集中在哪些流量上所投放的广告，例如采用集中程度这个指标表示用户群实施的广告行为在不同流量上投放广告的集中程度。

以广告行为指标为点击量为例，假设传播关系链中的用户群qunid访问N(为大于1的整数)个流量中的信息，那么用户群qunid对第n个流量上投放的广告实施点击的广告行为的集中程度可以采用以下公式计算得到：

其中，clk_cnt_qunid,appn表示用户群qunid访问流量appn中的信息时点击流量appn上所投放的广告而形成的点击量，表示用户群qunid访问N个流量中的信息时，点击在N个流量投放的广告而形成的点击量的加和。

作为前述步骤106的一个示例，将用户群对应所访问流量的一个或多个整体广告行为指标(如曝光量、点击量、点击率、转化率、以及用户群对所访问流量中投放广告实施广告行为的集中程度)，与相应的用户群作弊行为指标进行比较，若超出相应的用户群作弊行为指标则确定相应的用户群为作弊用户群。

以图3-1示出的群Q1为例，若群Q1的用户在公众号1上投放广告的曝光量、点击率和转换率等广告行为指标明显超出正常广告行为指标，则确定该群Q1为作弊用户群，特别地，若群Q1的用户针对公众号1的广告行为(如广告曝光、广告点击、产生广告效果的行为)的集中程度大于群Q1针对其他公众号实施广告行为的集中程度，则公众号1的流量主存在群Q1进行广告作弊的行为。

第三、识别广告作弊传播关系链

作为前述步骤105的一个示例，基于各流量的传播关系链中全部用户针对相应流量上投放的广告所实施的行为(包括个体的用户以及用户群中的用户实施的如使广告曝光的行为、点击广告的行为以及在广告主网页注册、下载等产生广告效果的行为等)，确定传播关系链中全部用户的针对相应流量的整体广告行为指标。

以前述针对公众号1，文章1的如下传播关系链为例：用户U1->用户U2->Q1；对于传播关系链，公众号1，文章1来讲：

1)传播关系链的曝光量为传播关系链中各用户(包括用户U1、U2以及群Q1中的各用户)在查看公众号1的文章1时所产生的广告曝光次数的加和。

2)传播关系链的点击量为传播关系链中各用户在公众号1的文章1中点击广告次数的加和。

3)传播关系链的点击率为传播关系链中各用户在公众号1的文章1中点击广告次数的加和，与传播关系链中各用户在查看公众号1的文章1时所产生的广告曝光次数的加和的比值，计算方式如下：

R_linkid,appid＝clk_cnt_linkid,appid/exp_cnt_linkid,appid (7)

其中，clk_cnt_linkid,appid表示传播关系链linkid对流量appid上所投放的广告的点击量，exp_cnt_linkid,appid表示传播关系链linkid使流量appid上所投放的广告产生的曝光量。

4)传播关系链的转化率为传播关系链中各用户在公众号1的文章1中点击广告并产生广告效果(如在广告主网页注册账号，在广告主网页下载应用等)的次数，与传播关系链中用户在公众号1的文章1中点击广告次数的加和的比值，如下所示：

Z_linkid,appid＝tra_cnt_linkid,appid/clk_cnt_linkid,appid (8)

其中，clk_cnt_linkid,appid表示传播关系链linkid访问流量appid中的信息时，对广告系统在流量appid上投放的广告进行点击而形成的点击量，tra_cnt_linkid,appid表示传播关系链linkid全部用户针对流量appid所投放广告的点击量中产生广告效果(如在广告主页面注册账户)的点击量。

另外，当传播关系链访问多个流量中的信息时，相应地，还可以比较传播关系链对所访问多个流量上投放广告的广告行为指标，得到传播关系链实施的广告行为集中在哪些流量上所投放的广告，例如采用集中程度这个指标表示传播关系链实施的广告行为在不同流量上投放广告的集中程度。

以广告行为指标为点击量为例，假设传播关系链linkid访问N(为大于1的整数)个流量中的信息，那么传播关系链linkid对第n个流量上投放的广告实施点击的广告行为的集中程度可以采用以下公式计算得到：

其中，clk_cnt_linkid,appn表示传播关系链linkid访问流量appn中的信息点击流量appn上所投放的广告而形成的点击量，表示传播关系链linkid访问N个流量中的信息时，点击量在N个流量投放的广告而形成的点击量的加和。

作为前述步骤106的一个示例，将传播关系链对应所访问流量的一个或多个整体广告行为指标(如曝光量、点击量、点击率、转化率、以及传播关系链对所访问流量中投放广告实施广告行为的集中程度)，与相应的传播关系链作弊行为指标进行比较，若超出相应的传播关系链作弊行为指标则确定相应的传播关系链为作弊传播关系链。

以图3-1示出的传播关系链用户U1->用户U2->Q1为例，若该传播关系链的用户在公众号1上投放广告的曝光量、点击率和转换率等广告行为指标明显超出正常广告行为指标(例如，超出三倍)，则确定该传播关系链为广告作弊传播关系链，特别地，若传播关系链的用户针对公众号1的广告行为(如广告曝光、广告点击、产生广告效果的行为)的集中程度大于传播关系链针对其他公众号的集中程度，则确定公众号1的流量主存在雇佣传播关系链中的用户进行广告作弊的行为。

结合上述三种维度的作弊用户识别，可以根据对作弊用户的识别精度的需要进行选择，前述的三个维度的作弊用户的识别方式，即识别作弊用户传播关系链、识别作弊用户群以及识别作弊任务发送用户对作弊用户的识别的粒度的大小依次降低，实际应用中广告反作弊系统可以根据作弊用户的识别粒度需求选择相应的识别方式。

在一个实施例中，上述的三种维度的作弊用户的识别方式可以配合使用以提升作弊用户的识别效率。

例如，参见图3-4示出的识别作弊用户的一个可选的示意图，广告反作弊系统首先采用前述的识别作弊用户传播关系链的方式，从各流量的传播关系链中识别出作弊用户传播关系链，

对于从各流量的传播关系链中识别出的作弊传播关系链，可能存在其中仅有部分用户是作弊用户的情况，以下以广告行为指标为点击量为例针对此情况的处理方式进行说明。

方式1)广告反作弊系统采用识别作弊任务发送用户的方式，对作弊任务传播关系链中的个体用户进行作弊用户识别，若来源于用户的针对流量中所投放广告的点击量超出点击量阈值，则用户为作弊用户传播关系链中的作弊任务发布者，若未超出点击量阈值则判定用户为常规用户。

方式2)广告反作弊系统以识别作弊用户群的方式对广告作弊传播关系链中的各用户群进行识别，当用户群针对相应流量中所投放广告的整体点击量超出整体点击量阈值则判定为广告作弊用户群，若未超出则判定为常规用户群。

在一个实施例中，参见图2-2示出的广告反作弊方法的一个可选的流程示意图，还包括：步骤107：针对识别出的作弊用户，对广告系统的计费端针对作弊用户的广告行为统计的广告行为数据，如过滤点击量、曝光量，广告转化次数等，确保广告系统的计费端统计的广告行为数据的精确性。

以过滤作弊用户的点击量为例，对作弊用户的点击量进行全部过滤、按照比例过滤。或者按照梯度过滤，如对于未超出点击量阈值的部分点击量不进行过滤，对于超出点击量阈值的部分点击量进行全部过滤或按照比例过滤，从而实现对来自作弊用户的虚假点击量进行有效过滤的技术效果。

结合图4对本发明实施例提供的广告反作弊装置的功能结构进行说明，需要指出的是，图4中示出的功能模块是对广告反作弊装置在逻辑功能层面的划分，本领域技术人员基于图4示出的逻辑功能结构可以轻易对图4中示出的功能模块进行拆分或者进行合并。参见图4示出的广告反作弊装置的一个可选的功能结构示意图，包括：

获取单元11，用于在各用户访问的流量上所投放的广告中，获取各用户访问的流量上产生广告行为的广告所对应的传播关系链数据；

关系单元12，用于基于各用户的产生广告行为的广告所对应的传播关系链数据，确定各流量的发送用户与接收用户，对应形成各流量的传播关系链，接收用户为个体用户和用户群至少之一；示例性地，从各用户产生广告行为的广告对应的传播关系链数据中提取具有相同流量标识以及流量信息标识的传播关系链数据；从所提取的传播关系链数据中提取邻接的发送用户标识以及接收用户标识形成相应流量的传播关系链。

指标单元13，用于基于传播关系链中用户针对相应流量上投放的广告所实施的广告行为，确定传播关系链中用户的广告行为指标；

比较单元14，用于比较传播关系链中用户的广告行为指标与相应的作弊行为指标，确定传播关系链中的作弊用户。

作弊用户的识别包括以下三个维度：维度1)广告作弊任务发送用户；维度2)广告作弊群；3)广告作弊传播关系链，对上述三个维度的作弊用户的识别进行说明。

1)作弊任务发送用户

指标单元13，还用于确定各流量的传播关系链中的发送用户、以及发送用户对应的接收用户针对相应流量上投放的广告所实施的广告行为；指标单元13，还用于基于所确定的行为确定来源于发送用户针对相应流量的广告行为指标。

比较单元14，还用于比较来源于传播关系链中发送用户的广告行为指标与发送用户作弊行为指标，若超出发送用户作弊行为指标则发送用户作弊行为指标则确定相应的发送用户为作弊任务发送用户。

2)广告作弊群

指标单元13，还用于基于各流量的传播关系链中各用户群用户针对相应流量上投放的广告所实施的广告行为，确定各用户群针对相应流量的整体广告行为指标。

比较单元14，还用于比较传播关系链中各用户群的整体的广告行为指标与用户群作弊行为指标，若超出用户群作弊行为指标则确定相应的用户群为作弊用户群。

3)广告作弊传播关系链

指标单元13，还用于基于各流量的传播关系链中全部用户针对相应流量上投放的广告所实施的行为，确定传播关系链中全部用户的针对相应流量的整体广告行为指标。

比较单元14，还用于比较传播关系链中全部用户的整体的广告行为指标与传播关系链作弊行为指标，若超出传播关系链作弊行为指标则确定相应的传播关系链为作弊用户传播关系链。

在一个实施例中，装置还包括：过滤单元15，用于对所述作弊用户针对相应流量上投放广告所实施的广告行为的数据进行过滤。

对发明实施例提供的广告反作弊装置的硬件实现进行说明，本发明实施例提供的广告反作弊装置中的功能模块可以由服务器(如服务器或服务器集群)的硬件资源，如处理器等计算资源、通信资源(如用于支持实现光缆、蜂窝等各种方式通信)协同实现。图5示例性示出了服务器50的一个可选的硬件结构示意图，包括处理器51、输入/输出接口53(例如显示器、键盘、触摸屏、扬声器麦克风中的一个或多个)，存储介质54以及网络接口52，组件可以经系统总线55连接通信，其中，存储介质54中存储有可执行指令，用于执行本发明实施例提供的广告反作弊方法。图5中示出的部件可以位于同一物理位置或者分散设置在不同的物理位置。

综上，本发明实施例具有以下有益效果：

1)确定转发流量中信息的传播关系链，并从传播关系链中识别作弊用户，鉴于作弊用户具有群体性作弊的特点，因此能够从传播关系链中准确识别出进行群体作弊的用户，且识别效率高。

2)能够实现广告作弊任务发送用户、作弊用户群、广告作弊传播关系链三个不同粒度的作弊用户的识别，即可以识别单个的作弊用户，也可以识别作弊群体，适用不同作弊用户识别的需要。

3)支持对实施多种类型的作弊行为如广告曝光、广告点击、广告转化的作弊用户进行识别。

本发明实施例所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式，所述存储介质包括但不限于U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘存储器、CD-ROM、光学存储器等。

本发明是根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括实施例以及落入本发明范围的所有变更和修改。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种广告反作弊方法，其特征在于，所述方法包括：

根据各流量所投放的广告，获取产生广告行为的广告所对应的传播关系链数据；

基于所述产生广告行为的广告所对应的传播关系链数据，确定各所述流量的发送用户与接收用户；

基于各所述流量的所述发送用户与所述接收用户对应形成相应流量的传播关系链，所述接收用户为个体用户和用户群至少之一；

基于所述传播关系链中用户针对相应流量上投放的广告所实施的所述广告行为，确定所述传播关系链中用户的广告行为指标；

比较所述传播关系链中用户的广告行为指标与相应的作弊行为指标，确定所述传播关系链中的作弊用户。

2.根据权利要求要求1所述的方法，其特征在于，所述基于所述产生广告行为的广告所对应的传播关系链数据，确定各所述流量的发送用户与接收用户，包括：

从所述产生广告行为的广告对应的传播关系链数据中提取具有相同流量标识以及流量信息标识的传播关系链数据；

从所提取的传播关系链数据中提取邻接的发送用户标识以及接收用户标识形成相应流量的所述传播关系链。

3.根据权利要求要求1所述的方法，其特征在于，所述基于传播关系链中用户针对相应流量上投放的广告所实施的行为，确定所述传播关系链中用户的广告行为指标，包括：

确定所述传播关系链中的发送用户、以及所述发送用户对应的接收用户针对相应流量上投放的广告所实施的广告行为；

基于所确定的来源于所述发送用户的广告行为确定来源于所述发送用户针对相应流量的广告行为指标。

4.根据权利要求要求1所述的方法，其特征在于，所述基于传播关系链中用户针对相应流量上投放的广告所实施的行为，确定所述传播关系链中用户的广告行为指标，包括：

基于所述传播关系链中各用户群用户针对相应流量上投放的广告所实施的广告行为，确定所述各用户群针对相应流量的整体广告行为指标。

5.根据权利要求要求1所述的方法，其特征在于，所述基于传播关系链中用户针对相应流量上投放的广告所实施的行为，确定所述传播关系链中用户的广告行为指标，包括：

基于所述传播关系链中全部用户针对相应流量上投放的广告所实施的广告行为，确定所述传播关系链中全部用户的针对相应流量的整体广告行为指标。

6.根据权利要求要求1所述的方法，其特征在于，所述比较所述传播关系链中用户的广告行为指标与相应的作弊行为指标，确定所述传播关系链中的作弊用户，包括：

比较来源于传播关系链中发送用户的广告行为指标与发送用户作弊行为指标，若超出所述发送用户作弊行为指标则确定相应的发送用户为作弊任务发送用户。

7.根据权利要求要求1所述的方法，其特征在于，所述比较所述传播关系链中用户的广告行为指标与相应的作弊行为指标，确定所述传播关系链中的作弊用户，包括：

比较所述传播关系链中各用户群的整体广告行为指标与用户群作弊行为指标，若超出所述用户群作弊行为指标则确定相应的用户群为作弊用户群。

8.根据权利要求要求1所述的方法，其特征在于，所述比较所述传播关系链中用户的广告行为指标与相应的作弊行为指标，确定所述传播关系链中的作弊用户，包括：

比较所述传播关系链中全部用户的整体广告行为指标与传播关系链作弊行为指标，若超出所述传播关系链作弊行为指标则确定相应的传播关系链为作弊用户传播关系链。

9.根据权利要求要求1所述的方法，其特征在于，所述广告行为指标包括以下至少之一：

所述流量上投放的广告的点击率；

所述流量上投放的广告的转化率；

不同所述流量上投放广告的所实施广告行为的集中程度。

10.根据权利要求要求1所述的方法，其特征在于，所述方法还包括：

对所述作弊用户针对相应流量上投放广告所实施的广告行为的数据进行过滤。

11.一种广告反作弊装置，其特征在于，所述装置包括：

获取单元，用于根据各流量所投放的广告，获取产生广告行为的广告所对应的传播关系链数据；

关系单元，用于基于所述产生广告行为的广告所对应的传播关系链数据，确定各所述流量的发送用户与接收用户，基于各所述流量的所述发送用户与所述接收用户对应形成相应流量的传播关系链，所述接收用户为个体用户和用户群至少之一；

指标单元，用于基于所述传播关系链中用户针对相应流量上投放的广告所实施的所述广告行为，确定所述传播关系链中用户的广告行为指标；

比较单元，用于比较所述传播关系链中用户的广告行为指标与相应的作弊行为指标，确定所述传播关系链中的作弊用户。